面向对象图像分类
浅论基于面向对象的遥感图像分类
Ｍ ｔ ｎａ Ｒ Ｎ ａ Ａ—
Ａ Ｂ
％ 一ａ ｃａ （ ｒｔ ｎ
）
（） ５
至此， 可将 Ｍ、 ｋ ％等数据代人 （ ） 中之任一 Ｎ、 、 ３式 等式 ， 以资捡校 。 为 了求 得任 意两 点 的 坐 标 增 量 ， 将 （ ） （ ） 改 可 １ 、２ 式
写成一 般形式 ， ： 即
△）ｌ ｋ ｉ１ｏ （ ＋ ０ １ 【— ｓ ｓ ％ ｆ ｉ 一ｃ Ｉ ） ＿ Ａｙ — ｋ ｉ１ｓｎ ％ ＋ ０ １ ｓ ｉ（ 一 ｉ ） ～
（） ６式与一般导线坐标 计算公式基本相 同， 便于记 忆 ， 中 除 Ｓ０为变 量外 ， 、。 根 据 （） （ ） 式 ． ｋ ａ可 ４ 、５ 式预 先算 出， 连同已知点坐标与公式一并存人 电子计算器中， 然 后 顺次 输入不 同的 Ｓ０ ， 能立 即显示 相 应 导线 点 的 ．值 便 坐 标 ， 需记 录 中间结 果 ， 无 因而计 算非 常简捷 。 ２ 现 将本 法的计 算步 骤说 明如 下 （）绘 制 略 图 ， 明点 、 、 的 编号 ， １ 注 边 角 并将 已知 坐 标值方位角、 边长以及边 、 角观测值 ， 填写于附表的相应 栏内。 （） ２ 按公式 ０ ｉ ＋Ｂ ８。 ｉ 一 ｉ ０计算 ０ ＝０ 士１ 值。 （ ）求 Ｓｃｓｉ Ｓ ｉ０ 和 （ Ｍ 、 。 ３ ｉｏＯ 与 ｉｎ ｉ ｓ 总 即 Ｎ） （ ）根据 （）（ ） 计算 ｋ和 ％。 ４ ４ 、５式 （）将坐 标 计 算 式 （ ）连 同有 关 已 知数 据 一 并 写 ５ ６， 入计算器 中存储起来 ， 然后顺序输入不 同的 Ｓ０ ，即 ．值 ； 得各 导线点 的坐 标 。最后 算 出 Ｂ点 的坐 标 ， 与 已知坐 应 标值 相符 。
Ｙ ｋ ｓ
面向对象的遥感影象分类
分类结果图
导入栅格对象
对象平均模式显示分割后图像
利用第二图层均值将主 河流从森林和砍伐区中分 离出来。 在河流对象中移动鼠标， 发现该图层显示的值均小 于1。
特征观察
在河流对象中移动鼠标， 发现形状指数图层显示的 值均大于4。
特征观察
创建分类体系
双击Class Hierarchy中的暗区，打开类别描述对话框，加入Mean Green特征 编辑相关的成员函数，此步骤选做。
特征信息获取
影像分类
光谱特征
几何特征 纹理特征 拓扑特征
监督分类法
隶属函数法 知识决策法 精度评价
输出分类结果
面向对象分类方法的技术路线－以易康软件为例
面向对象的知识决策分类方法是以对象作为分类的基本单元，对 象的生成可以由已有的专题图获取，也可以采用遥感影像分类的 方法生成。 在分类过程中，对对象进行分析，提取纹理、光谱、形状信息， 再将这些信息作为知识加入到分类器中，同时将已有的GIS数据 作为知识加入到分类器中，这样可以极大地提高分类精度，知识 的加入可通过决策树来实现。 该方法充分利用了高分辨率遥感影像的特点，使分类结果更接近 于目视判读的效果，有效地提高了分类精度；分类后还可以通过 建立对象间的拓扑关系来反映地理实体之间的关系，利用GIS的 空间分析方法对遥感数据进行更深层次的挖掘。
易康面向对象的知识获取及表示
易康面向对象知识获取分为三类：对象特征、类间特征和全局特征。
对象特征：对影像对象本身和其在影像对象层次结构中的位置进行评价， 获取对象特征。
灰度特征：影像对象的波段像素值；
纹理特征：基于灰度共生矩阵或灰度差异矢量； 形状特征：描述对象本身或其子对象的形状；
基于多示例学习的高分辨率遥感影像面向对象分类
ｒｍｏ ｅｓｎ ｉｇ ｉ ｇ ｃ ｏ ｄｎ ｏｔ ｅｏ ｊｃ ｒ ｎ ｅ ｇ ｌｓｉｉａｉｎ ｐ ｒｄｇ Ｈｏ ｇ ｎ ｏ ｓｏ ｊｃｓａ ｅｇ ｎ ｒ ｔｄｂ ｅ ｔ ｅ ｓｎ ｍａ ｅａ ｃ ｒ ｉｇ ｔ ｈ ｂｅｔｏ ｉ ｔｄｉ ｅｃａ ｓｆ ｔ ａ ａ ｉｍ． ｍｏ ｅ ｅ ｕ ｂｅｔ ｒ ｅ ｅ ａｅ ｙｉ ｅ ｍａ ｃ ｏ ｍ— ａ ｅｓｇ ｎ ａｉｎ ｍｅｈ ｄｆｒｔ ａ ｄ ｔ ｅ ｂｅｔ ｓ ｄ ａ ｎ ｔｎ ｅ ， ｅ ｈ ￣ｍｕ ｄｖ ｒｅ ｄ ｎ ｉ ｎ ｔｎ ｅ ｂ ｒ ｉｉｇ ｂ ｇ ｇ ｅ ｍｅ ｔｔｏ ｔｏ ｉ ， ｎ ｈ ｎ ｏ ｊｃｓ ｕ ｅ ｓｉｓａ ｃｓ ｇ ｔｔ ｅｍａ ｓ ｍ ｉｅｓ ｅ ｓｔ ｉｓａ ｃ ｙ ｔａｎｎ ａ ｓ ｙ
Ａｂ ｔａ ｔ Ｉ ｕｔｐ ｅ ｉ ｓ ａ ｃ ｅ ｒ ｉｇ，ｈ ａ ｓａ ｅ ｕ ｅ ｓ ｔａ ｎ ｎ ａ ｉｓ ａ ｄ ｔ ｅ ｇ ａ ｆｌａ ｎ ｎ ｓ ｐ ｅ ｉｔｔ ｅ ｌ ｂ ｌ ｆ ｓ ｒ ｃ ： ｎ ｍ ｌｉ ｌ ｔ ｎ ｅ ｌａ ｎ ｎ ｔ ｅ ｂ ｇ ｒ ｓ ｄ ａ ｒ ｉ ｉ ｇ ｓ ｍｐ ｅ ， ｎ ｈ ｏ ｌ ｅ ｒ ｉｇ ｉ ｒ ｄ ｃ ｈ ａ ｅ ｎ ｏ ｏ
修 订 日 期 ：０ １ １ 一 Ｏ ２ １— １ ｌ
基 金项 目： 国家 自然科学 基金 项 目（ ０ ７ １ ５ ； 苏省 自然科 学基金 （ Ｋ２ １ １ ２ 。 ４ ８ １９）江 Ｂ ０ ０ ８ ）
作 者简 介 ： 里木 ・ 阿 赛买 提 （ ９ ４ 男 ， １ ８ ￣） 维吾 尔族 ， 士 ， 硕 主要 研究 方 向 ： 遥感 图像处 理与应 用 、 器学 习在遥 感 图像 分析 中的应用 。 机
际应用 中都 取 得 了大 量 成 果 ［ 。在 多 示 例 学 习 １ ］ 中 ， 由示 例组 成 的包作 为训 练样 本 ， 将 包具 有概 念标
基于遥感与GIS的城市绿地信息提取方法
基于遥感与GIS的城市绿地信息提取方法摘要：城市绿地是城市中唯一有生命的基础设施，必须客观、准确地掌握城市绿地信息及其变化情况。
遥感技术给城市绿地信息调查提供了更为有效而便捷的手段，植被有其特殊的光谱响应，使得其有别于其他物质。
城市绿地的遥感提取方法有监督分类、决策树分类、面向对象分类等方法，每一种方法都有它的适用条件。
利用GIS的空间叠加分析可以为遥感绿地信息的属性赋值，增强遥感绿地信息的可利用性。
关键字：城市绿地，遥感技术，高分辨率影像，ENVI，GISAbstract: The city green space is the only living infrastructure in the city, we must objectively and accurately grasp the city green land information and its changes. The remote sensing technology provides a more effective and convenient means for the city green land information investigation, the vegetation has its special spectral response, which is different from other substances. The remote sensing extraction method of the city green extraction is the supervised classification, decision tree classification and object-oriented classification method, and each method has its applicable conditions. Using the GIS spatial overlay analysis can assigns for the remote sensing vegetation information attribute, and enhance the remote sensing vegetation information availability. Keywords: city green space; remote sensing technology; high resolution images; ENVI; GIS0 引言城市绿地是城市中唯一有生命的基础设施，它在改善城市生态环境和人居环境起着积极的作用，城市绿地含量逐渐成为衡量城市生活质量的1个重要指标。
利用面向对象的分类方法从IKONOS全色影像中提取河流和道路
测绘科学 Science of Surveying and M app ing
Vol131 No11 Jan
利用面向对象的分类方法从 IKO NO S 全色影像中提取河流和道路
孙晓霞 , 张继贤 , 刘正军
(中国测绘科学研究院 ,北京 100039)
【摘 要 】传统的基于像素的统计特征的分类方法在处理高分辨率影像的分类问题上遇到了很大的困难 。本研究利
1 引 言
高分辨率遥感影像时代的到来给遥感技术的发展带来 了契机 , 在高空间分辨率的卫星影像上 , 地物景观的结构 、 纹理和细节等信息都非常清楚地表现出来 , 例如 , 细小的 道路和河流 。这使得利用遥感影像进行大比例尺的地形图 制图成为可能 。然而传统的遥感影像信息处理和提取的方 法是建立在基于像素级别的光谱信息分析的基础上 , 它们 的共同特征是只能使用图像的强度量即灰度值的统计信息 , 而对地物形状 、结构等信息的分析很少涉及 , 当面对这种 纹理或低反差数据 , 尤其是像 IKONOS全色影像这种纹理 信息及其丰富 , 而光谱信息贫乏的数据时 , 基于像素级别 的光谱信息分析方法显得十分困难 , 因此 , 对高分辨率遥 感影像的理解和处理必须根据其特点采取新的技术方法 , 建立起图像数据与目标特性之间的物理 —机理联系 , 而不 仅仅是统计联系 , 才能充分挖掘高分辨率遥感影像所包含 的信息 , 这是高分辨率卫星影像信息处理成败的关键 [1 ] 。 为此 , 面向对象的影像分析方法 ———eCognition软件应运而 生 , 很好地解决了这个问题 。本文的研究基于该软件进行 。
[ 5 ] 杜凤兰 1面向对象的地物分类方法分析与评价 [ J ]. 遥感技术与应用 , 2004, 19, (1) , : 20～231
像素分类和面向对象分类
像素分类和面向对象分类
像素分类和面向对象分类是两种常见的图像分类方法，它们在图像处
理和计算机视觉领域中发挥着重要作用。
像素分类是将图像分解为像素，并对每个像素进行分类。
这种方法通
常基于像素的颜色、纹理、形状等特征进行分类。
像素分类通常用于
识别图像中的物体、场景、纹理等，是图像处理和计算机视觉的基础
技术之一。
面向对象分类则是基于图像中的对象进行分类。
这种方法将图像分解
为多个对象，并对每个对象进行分类。
这种方法通常更适用于具有明
显边界和不同特征的对象，如人脸、车辆、建筑物等。
面向对象分类
可以更好地识别和理解图像中的复杂对象，并能够处理更高级的图像
分析任务，如目标检测、行为识别等。
总的来说，像素分类和面向对象分类各有优缺点，适用于不同的图像
分析和处理任务。
像素分类通常更适用于简单的图像处理任务，而面
向对象分类则更适合处理具有明显特征和边界的对象。
在实际应用中，可以根据具体任务的需求选择合适的分类方法。
面向对象分类之图像分割
面向对象分类之图像分割传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。
对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。
为解决这一传统难题，模糊分类技术应运而生。
模糊分类是一种图像分类技术，它是把任意范围的特征值转换为0 到1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。
通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。
模糊分类也提供了一个清晰的和可调整的特征描述。
对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。
影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。
此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。
面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。
面向对象的处理方法中最重要的一部分是图像分割。
图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。
图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。
有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。
例如，可以对图像的灰度级设置门限的方法分割。
值得提出的是，没有唯一的标准的分割方法。
许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。
高空间分辨率遥感图像面向对象深度学习分类方法研究
架网络，将 SE 结构嵌入到 Inception 模块中以重建特征通道之间的关系，实现
多尺度卷积特征加权融合。此外，针对 HSR 影像上地物尺度多样性问题，设计
I
摘要
了多尺度分类融合策略，并通过主体投票的方式获取最终分类结果。对于多源
multi-scale classification information fusion and other technical issues. The main
work of this paper was as follows:
(1) A new technology of OBIA named Region-line Primitive Association
application. Besides, the object-oriented classification technology mainly uses the
spectrum, texture, shape and other shallow objects features explicitly, which make it
高分辨率遥感影像的分类实验验证了 OSA-CNN 的有效性和精度优势。
（3）将深度学习分类和 RLPAF 规则类进行技术融合，形成了面向对象
深度学习多级分类方法。首先利用 OSA-CNN 监督分类划分一级类别，并根据
不同地物的层次结构与多级分类的继承原则，在一集类别范围内进行二级
RLPAF 规则分类，获得最终分类结果。论文以水上典型人工地物——码头提取
Framework，RLPAF）的新型 OBIA 技术方法体系。RLPAF 将基元类型扩充为
面向对象的遥感图像分类方法在测绘中的应用
面向对象的遥感图像分类方法在测绘中的应用遥感技术是一种能够获取地球表面信息的技术手段，在测绘领域中有着广泛的应用。
随着计算机科学技术的发展，面向对象的遥感图像分类方法也被引入到测绘中，为地图制图和地理信息系统的建设提供了更加精确和高效的方案。
一、遥感图像分类遥感图像分类是遥感技术的核心应用之一，它是将遥感图像中的像素点根据其反射率、辐射亮度等特征进行分类，从而得到具有不同类别的地物信息。
传统的遥感图像分类方法主要基于像素级的分类，即将图像中的每个像素点单独进行分类，这种方法容易受到噪声影响，分类结果不够准确。
而面向对象的遥感图像分类方法则能够克服这些问题。
二、面向对象的遥感图像分类方法面向对象的遥感图像分类方法是基于图像中的对象进行分类的一种方法，它将图像中的像素点组合成不同的对象，然后根据对象的形状、纹理、光谱等特征进行分类。
相比于像素级的分类方法，面向对象的方法能够更好地保留地物的空间结构信息，提高分类的准确性和稳定性。
面向对象的遥感图像分类方法包括以下几个关键步骤。
首先是图像分割，将遥感图像分割成不同的对象。
常用的分割方法有基于区域的分割方法和基于边界的分割方法，其目的是将图像分解成较小的、空间连续的对象。
接下来是对象特征提取，通过计算对象的形状、纹理、光谱等特征来描述对象。
常用的特征提取方法有灰度共生矩阵、纹理特征、主成分分析等。
然后是分类器的训练和模型的建立，根据已经分类好的样本数据，训练分类器来对新的对象进行分类。
常用的分类器有支持向量机、随机森林等。
最后是分类结果的验证和评价，通过对分类结果进行验证和评价，来判断分类方法的准确性和可靠性。
三、面向对象的遥感图像分类在测绘中的应用面向对象的遥感图像分类方法在测绘中有着广泛的应用。
首先，它能够提高地图制图的精度和效率。
传统的地图制图方法往往依靠人工解译遥感图像来获取地物信息，这种方法效率低下且容易出现误差。
而面向对象的方法能够通过计算机自动解译遥感图像，大大提高了地图制图的效率，并且分类结果更加准确。
遥感的面向对象分类法
遥感的面向对象分类法传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。
对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。
为解决这一传统难题，模糊分类技术应运而生。
模糊分类是一种图像分类技术，它是把任意范围的特征值转换为 0 到 1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。
通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。
模糊分类也提供了一个清晰的和可调整的特征描述。
对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。
影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。
此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。
面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。
面向对象的处理方法中最重要的一部分是图像分割。
随着对地观测任务逐渐精细化，高分辨率遥感卫星影像的应用越来越广泛。
这对遥感影像分类方法提出了挑战。
已有的研究表明:基于像元的高分辨率遥感影像分类存在明显的限制。
近年来，面向对象影像分析(Object-Based ImageAnalysis，OBIA)在高分辨率遥感影像处理中渐露头角，被认为是遥感与地理信息科学发展的重要趋势。
本文针对面向对象影像分类(Object-Based Image Classification，OBIC)方法中的若干问题开展研究。
面向对象的武汉市街区公共遥感影像分类研究
［ ６ ］ 谭衢霖 ， 刘正 军， 沈伟． 一种 面向对 象的遥感影像 多尺度 分割 方 法
［ Ｊ ］ ． 北 京 交 通 大 学 学报 ， ２ ０ ０ ７ ， ３ １ （ ４ ） ： ｌ １ ２ ： １ １ ９ ．
［ ７ ３ 常春艳 ， 赵庚 星． 滨海 光谱 混 淆 区面向 对象 的土地 利 用遥感 分类
参考文献 ：
Ｅ １ ３ 钱巧静 ， 谢瑞． 面 向对 象的 土 地 覆 盖 信 息提 取 方 法 研 究［ ｊ ］ ． 遥 感 技
术 与 应 用 ，２ ０ ０５ ， ２ ０（ ３） ： ３ ３ ８： ３ ４ ２ ．
由 于 缺 乏 此 区参 考 分 类 ， 所 以在进行 精度评 价 时 ， 采 用实 际感 兴趣 的 区域 Ｇ ｒ ｏ ｕ ｎ ｄ Ｔ ｒ ｕ ｔ ｈ Ｒ ０ Ｉ ｓ （ Ｒ ０ Ｉ ） 建 立 混 淆
矩阵 ， 图像具 有较 高 的可辨 识性 ， 加上 笔者 实地 考察 ， 对
Ｒ ０ Ｉ 进 行选 区 ， 最终 计 算 出 此 实 验 区 地 物 分 类 的 精 度 混 淆
矩阵 ， 见表 １ 。Ｋ ａ ｐ ｐ ａ系数 达 到 ０ 。 ８ ５ ９ ４ ， 总体 精 度 达 到
８ ９ ． ９ ９ １ ３ ， 可 见 分 类 效 果 非 常 好 且 面 向对 象 的分 类 可 以有效 避 免“ 异 物 同谱 ” 和“ 同谱 异 物 ” 的 问题 ， 具 有 很 高 的
［ Ｊ ］ ． 农 业 工程 学报 ， ２ ｏ １ ２ ，２ ８ （ ５ ） ： ２ ２ ６ ： ２ ３ １ ．
（ 责任 编 辑 ： 孙 娟）
Ｃｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｐｕ ｂｌ ｉ ｃ Ｒｅ ｍｏ ｔ ｅ Ｓｅ ｎｓ ｉ ｎｇ Ｉ ｍａ ｇ ｅ ｓ Ｂａ ｓ ｅ ｄ
面向对象分析-类图
可见性的取值为+(公有的)、#(受保护的) 、-(私有的)或~（包） 。
内部操作和外部操作, 特征标记
类范围操作（静态操作）是用来创造实例或者操纵静态属性的操作。 例如C++中的前面冠以static的成员函数，就是类范围操作
表示法
类范围的操作用带下划线的名字和类型表达式串表示。实例范围操作是默 认的，对其不用标记。
人员
设备
外系统
从不同的角 度考虑人员 和设备
3．考虑系统责任
对照系统责任所要求的每一项功能，查看是否可以由现有的对 象完成这些功能。如果发现某些功能在现有的任何对象中都不能提 供，则可启发我们发现问题域中某些遗漏的对象。 如果已经建立了用况模型，考虑执行下列的附加步骤： ■ 使用用况产生场景。 ■ 使用场景寻找已错过的类。
筛选 *
是否体现了以系统责任为目标的抽象；例：书的重量* ？ 是否描述对象本身的特征；例：课程—电话号码* ？ 一个属性所对应的一个事物性质的粒度要适当。
例如人的通信地址，包括国家、省、城市、街道、门牌号码等内容，但这些内容在通信地 址这个概念上是不可分的。在定义“人员”对象的属性时，应该使用一个属性“通信地址”，而 不应把有关通信地址的各项内容拆散开用多个属性来描述。
若一个对象与另一个对象有关系，其属性必须捕获该对象的性 质，而不是关系或关系中的其他对象的性质；
如属性必须是整个实体的特征，而不是其成分的特征*
是否可通过继承得到？ 可以从其它属性直接导出的属性*； 与实现有关的因素，推迟到OOD考虑（规范化、对象标识、性 能问题）
属性的命名和定位
命名：原则与类的命名相同 定位：针对所描述的对象，适合全部对象实例。
如果想要在OOA阶段记录方法的详细文字描述或算法，则把 它们放在类描述模板中，如有必ቤተ መጻሕፍቲ ባይዱ也可放在注释中。该项工作应 该在OOD阶段完成。
eCognition8.9面向对象分类详细步骤
基于Nearest Neighbor 的面向对象监督分类1. 启动eCognition 8.9，选择Rule Set Mode ，Ok 。
2. 新建Project ：File →New project ，或者工具栏上的新建按钮。
在弹出的对话框中选择要添加的文件l8_rs_wgs84_sub.img ，点Ok ，可以看到它包含8个分辨率为30m 的图层，双击每个图层可以修改它的图层名，利于分辨。
然后点图层窗口右边的Insert ，在弹出的对话框中选择l8_pan_rs_wgs84_sub.img 文件，Ok 后将Pan 波段添加进来。
最后，点Thematic Layer Alias 窗口右边的Insert 按钮，选择2002 forest types UTM WGS84.shp 文件，Ok 后将森林类型专题图添加进来，双击该矢量层，将图层名修改为Foresttype ，最终效果如下图：D E NG _0316Project Name 等按默认，点Ok ，回到主界面，图像按前3个波段RGB 显示，如下图：为了更好的辨别地物类型，点击工具栏上的图层显示编辑按钮，在弹出的对话框中点击修改RGB 为NIR ，Green ，Blue 显示：D E N G _0316如果取消勾选左下角No layer weights ，还可以设置不同波段的比重，在调整不同波段的比重时，在数值上左击鼠标增加比重，右击鼠标减少比重，如下图：点Ok 进行波段显示调整后的效果如下，然后保存这个Project 为l8_rs_wgs84_sub.dpr 。
D E N G _03163. 将图像分解为基本对象：首先，在Process Tree 窗口（如果没有，菜单栏View →Windows →Process Tree 调出），右击，选择Append New ，将Name 改为Segmentation ，其他按默认，然后点击Ok ：其次，在Process Tree 窗口，右击Segmentation 这个新建规则(Rule)，选Insert Child(插入子规则)，Name 勾选自动，Algorithm 下拉菜单选择multiresolution segmentation （最常用的分割算法），在右边的参数窗口，找到Scale parameter 并将其设置为150，其他默认，然后点Execute(立即实行)或者Ok(稍后实行)。
面向对象分类和基于像元分类
面向对象分类和基于像元分类一、面向对象分类面向对象分类是一种常见的图像分类方法，它通过识别和提取图像中的对象特征来实现分类。
具体而言，面向对象分类方法将图像中的对象分割出来，并提取出每个对象的特征，然后使用这些特征进行分类。
下面将介绍面向对象分类的几个关键步骤：1. 图像分割：图像分割是将图像中的对象从背景中分离出来的过程。
常见的图像分割方法包括阈值分割、边缘检测和基于区域的分割等。
通过图像分割，可以得到图像中的各个对象。
2. 特征提取：特征提取是指从图像中提取出能够描述对象特性的特征。
常见的特征提取方法包括颜色直方图、纹理特征和形状特征等。
通过特征提取，可以获取到每个对象的特征向量。
3. 特征选择：在特征选择阶段，我们需要从提取到的特征中选择出对分类有用的特征。
常见的特征选择方法包括相关性分析和主成分分析等。
通过特征选择，可以减少特征的维度，提高分类的准确性和效率。
4. 分类器设计：分类器是用于将对象分到不同类别的模型。
常见的分类器包括支持向量机、决策树和神经网络等。
通过训练分类器，并使用之前提取的特征向量进行分类，可以实现对图像的分类。
二、基于像元分类基于像元分类是另一种常见的图像分类方法，它将图像中的每个像元作为最小的分类单元，并根据像元的特征将其分到不同的类别。
基于像元分类的过程如下：1. 特征提取：与面向对象分类类似，基于像元分类也需要从图像中提取出能够描述像元特征的特征。
常见的像元特征包括颜色、纹理和形状等。
通过特征提取，可以得到每个像元的特征向量。
2. 分类器设计：在基于像元分类中，分类器的设计非常重要。
常见的分类器包括K近邻、支持向量机和随机森林等。
通过训练分类器，并使用提取到的像元特征进行分类，可以将图像中的像元分到不同的类别。
3. 后处理：基于像元分类的结果可能存在一些噪声或不连续的情况，因此需要进行后处理来优化分类结果。
后处理的方法包括滤波、边缘连接和形态学操作等。
通过后处理，可以得到更加准确和连续的分类结果。
24.面向对象图像分类
面向对象分类练习1——特征提取
方法
征
谱和高光谱影像
Hale Waihona Puke 利用率几乎为零基于专家知识决策树 根据光谱特征、空 单个的影像像 多源数据 间关系和其他上下 元 文关系归类像元
知识获取比较复 杂
面向对象的分类方法 几何信息、结构信 一个个影像对 中 高 分 辨 率 多 光 速度比较慢 息以及光谱信息 象 谱和全色影像
注：一种方法不能完全取代另一种，每种方法都有其适用范围
面向对象分类操作流程
• 发现对象 • 特征提取
发现对象
影像分割 合并分块
输出对象 为矢量文件？
是
否
特征提取
定义要素 规则分类 监督分类
导出要素
查看报告和统计
完成
面向对象分类练习
• 基于规则的面向对象分类
数据“24-面向对象图像分类\1-基于规则”
• 基于样本的面向对象分类
数据“24-面向对象图像分类\2-基于样本”
• 单波段影像的面向对象分类
数据“24-面向对象图像分类\3-面向对象提取河流”
注 ： 本 课 程 需 要 面 向 对 象 空 间 特 征 提 取 模 块 (ENVI Feature Extraction-FX)使用许可。
面向对象分类练习——准备工作
• 空间分辨率的调整
• 光谱分辨率的调整
• 多源数据组合 • 空间滤波
面向对象影像分类(样本模式)
面向对象影像分类（基于样本）1、进行尺度为100的影像分割。
2、在Class Hierarchy中点右键，选择Insert class，依次建立四个类：房屋、道路、湖泊、草地。
3、编辑特征空间：选择菜单“Classification -> Nearest Neighbor -> Edit Standard NN Feature Space”，双击左边的特征列表中的特征，选择以下一些特征，如下图：4、应用分类规则：选择菜单“Classification -> Nearest Neighbor -> Apply Standard NN to Classes”把它插入到类描述中，选择左边框中的类，单击，即可将该类加入到右边的框中，如下图：点击OK后，在Class Hierarchy中双击一个类，如草地，可以看出分类特征已经添加到该类中，如下图：5、选择样本：选择菜单View -> toolbar -> sample，打开样本导航器，如下图：选择按钮，打开样本编辑器，如下图：6、选择类的样本：从样本编辑器中的Active Class中选择需要选择样本的类，如草地，在分割图上点击样例对象,当你单击一个类时，它的特征值在每个列出的特征被以高亮度的红色指示显示，这样可以使您对比不同对象它们的相关特征值，如下图：该类的样本，选择后样本编辑器会成为如下的状态：依次为所有的类选择足够的样本。
7、执行分类：在Process Tree中选择Append New，Algorithm中选择Basic Classification -> Classification，在Algorithm Parameters的Active Classes中选择“草地、道路、房屋、湖泊”，设置如下图：点击OK后，再右键选择Execute，即可得到分类结果：对于分类图中的白色区域，表示这些对象没有被分类，只需要将这些对象添加到相应的类中，再重新进行分类，就可以得到正确的分类结果了，重新分类后的结果如下：。
面向对象影像分类(规则模式)
面向对象影像分类面向对象的影像分类是在面向对象特征提取的基础上进行的。
在分类之前，必须根据需要提取的地物类别，选择合适的尺度和合适的特征，然后根据地物类别的性质，设计好分类策略和步骤。
对于给出的实验数据，我们的要求是分成草地、道路、房屋和湖泊四个类，根据面向对象特征提取中的经验可以发现，在Object Features -> Layer Values -> Mean -> Layer 3上可以很好地将草地/湖泊和道路/房屋分开，然后根据Object Features -> Geometry -> Extent -> Length/Width提取道路，因此分类策略是：先将草地/湖泊和道路/房屋分开，然后再分别针对草地/湖泊和道路/房屋的特征，将草地和湖泊、道路和房屋分开。
具体分类步骤如下：1、多尺度分割：按照面向对象特征提取中的步骤，设置三个尺度100、70和50，并进行分割，分别得到L1、L2和L3层尺度影像，在尺度层网络中，L1尺度最大，在最上面，往下分别是L2和L3。
最后的分类结果需要集中显示在一个层，因此还需要再加一个尺度层，只不过这个尺度层不纳入上面的尺度层网络中。
在Process Tree中点右键，选择Append New，算法选择Segmentation -> multiresolution segmentation，Image Object Domain设为pixel level，尺度设为40，新层的名称为L4，同时运行该分割，得到L4层的分割结果。
2、在Class Hierarchy中添加4个类，右键点击空白处，选择Insert Class，在弹出的对话框中分别命名为level1、level2、level3和level4，颜色都选择为灰白色：3、给三个类层次添加level属性：双击level1类，双击Contained -> add(min)，弹出Insert Expression对话框，依次选择Object features -> Hierarchy -> level，双击level，打开Membershipfunction，单击按钮，在处输入3和5，表示该函数的值为4，点击OK按钮，即完成给level1类添加level属性的操作。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
【ENVI入门系列】24. 面向对象图像分类目录1.概述2.基于规则的面向对象信息提取第一步：准备工作第二步：发现对象第三步：根据规则进行特征提取3.基于样本的面向对象的分类第一步：选择数据第二步：分割对象第三步：基于样本的图像分类4.基于规则的单波段影像提取河流信息1.概述面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。
它主要分成两部分过程：影像对象构建和对象的分类。
ENVI FX的操作可分为两个部分：发现对象（Find Object）和特征提取（Extract features），如下图所示。
图1.1 FX操作流程示意图（*项为可选操作步骤）这个工具分为三种独立的流程化工具：基于规则、基于样本、图像分割。
本课程分别学习基于规则的面向对象分类和基于样本的面向对象分类，以及基于规则的方法从单波段灰度影像中提取河流信息。
注：本课程需要面向对象空间特征提取模块(ENVI Feature Extraction-FX)使用许可。
2.基于规则的面向对象信息提取该工具位置在：Toolbox /Feature Extraction/ Rule Based Feature Extraction Workflow。
数据位置："24-面向对象图像分类\1-基于规则"。
第一步：准备工作根据数据源和特征提取类型等情况，可以有选择地对数据做一些预处理工作。
∙空间分辨率的调整如果您的数据空间分辨率非常高，覆盖范围非常大，而提取的特征地物面积较大（如云、大片林地等）。
可以降低分辨率，提供精度和运算速度。
可利用Toolbox/Raster Management/Resize Data工具实现。
∙光谱分辨率的调整如果您处理的是高光谱数据，可以将不用的波段除去。
可利用Toolbox/Raster Management/Layer Stacking工具实现。
∙多源数据组合当您有其他辅助数据时候，可以将这些数据和待处理数据组合成新的多波段数据文件，这些辅助数据可以是DEM, lidar 影像, 和SAR 影像。
当计算对象属性时候，会生成这些辅助数据的属性信息，可以提高信息提取精度。
可利用Toolbox/Raster Management/Layer Stacking工具实现。
∙空间滤波如果您的数据包含一些噪声，可以选择ENVI的滤波功能做一些预处理。
这里直接在ENVI中打开qb_colorado.dat图像文件。
第二步：发现对象（1）启动Rule Based FX工具在Toolbox中，选择/Feature Extraction/Rule Based Feature Extraction Workflow，打开工作流的面板，选择待分类的影像qb_colorado.dat，此外还有三个面板可切换：∙在Input Mask面板可输入掩膜文件∙在Ancillary Data面板可输入其他多源数据文件∙切换到Custom Bands面板，有两个自定义波段，包括归一化植被指数或者波段比值、HSI颜色空间，这些辅助波段可以提高图像分割的精度，如植被信息的提取等自定义的属性。
在Normalized Difference和Color Space属性上打钩，如下图所示，点击Next；图2.1 输入数据和属性参数选择（2）影像分割、合并FX根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数，就能产生多尺度分割结果。
通过不同尺度上边界的差异控制，从而产生从细到粗的多尺度分割。
1）分割阈值（Scale Level）：选择高尺度影像分割将会分出很少的图斑，选择一个低尺度影像分割将会分割出更多的图斑，分割效果的好坏一定程度决定了分类效果的精确度，我们可以通过勾选preview预览分割效果，选择一个理想的分割阀值，尽可能好地分割出边缘特征。
有两个图像分割算法供选择： Edge，基于边缘检测，需要结合合并算法可以达到最佳效果；∙Intensity: 基于亮度，这种算法非常适合于微小梯度变化（如DEM）、电磁场图像等，不需要合并算法即可达到较好的效果。
调整滑块阀值对影像进行分割，这里设定阈值为40。
注：按钮是用来选择分割波段的，默认为Base Image所有波段。
2）合并阈值（Merge Level）：影像分割时，由于阈值过低，一些特征会被错分，一个特征也有可能被分成很多部分。
我们可以通过合并来解决这些问题。
合并算法也有两个供选择：∙Full Lambda Schedule，合并存在于大块、纹理性较强的区域，如树林、云等，该方法在结合光谱和空间信息的基础上迭代合并邻近的小斑块；∙Fast Lambda: 合并具有类似的颜色和边界大小相邻节段。
设定一定阈值，预览效果。
这里我们设置的阈值为90，点Next进入下一步。
3）纹理内核的大小（Texture Kernal Size）：如果数据区域较大而纹理差异较小，可以把这个参数设置大一点。
默认是3，最大是19。
图2.2 图像分割、合并这时候FX生成一个Region Means 影像自动加载图层列表中，并在窗口中显示，它是分割后的结果，每一块被填充上该块影像的平均光谱值。
接着进行下一步操作。
目前，已经完成了发现对象的操作过程，接下来是特征的提取。
第三步：根据规则进行特征提取在规则分类界面。
每一个分类有若干个规则（Rule）组成，每一个规则有若干个属性表达式来描述。
规则与规则之间是与的关系，属性表达式之间是并的关系。
同一类地物可以由不同规则来描述，比如水体，水体可以是人工池塘、湖泊、河流，也可以是自然湖泊、河流等，描述规则就不一样，需要多条规则来描述。
每条规则又有若干个属性来描述，如下是对水的一个描述：∙面积大于500像素∙延长线小于0.5∙NDVI小于0.25对道路的描述：∙延长线大于0.9∙紧密度小于0.3∙标准差小于20这里以提取居住房屋为例来说明规则分类的操作过程。
（1）首先分析影像中容易跟居住房屋错分的地物有：道路、森林、草地以及房屋旁边的水泥地。
点击按钮，新建一个类别，在右侧Class properties下修改好类别的相应属性。
图2.3 规则分类面板1）第一条属性描述，划分植被覆盖和非覆盖区。
a）在默认的属性Spectral Mean上单击，激活属性，右边出现属性选择面板，如下图所示。
选择Spectral，Band下面选择Normalized Difference。
在第一步自定义波段中选择的波段是红色和近红外波段，所以在此计算的是NDVI。
把Show Attribute Image勾上，可以看到计算的属性图像。
b）通过拖动滑条或者手动输入确定阈值，这里设置阈值最大为0.3。
在阈值范围内的在预览窗口里显示为红色，如下图：图2.4 设置NDVI的属性阈值c）在Advanced面板，有三个类别归属的算法：算法有二进制、线性和二次多项式。
选择二进制方法时，权重为0或者1，即完全不匹配和完全匹配两个选项；当选择线性和二次多项式时，可通过Tolerance设置匹配程度，值越大，其他分割块归属这一类的可能性就越大。
这里选择类别归属算法为Liner，分类阈值Tolerance为默认的5，如下图图2.5 归属类别算法和阈值设置2）第二条属性描述，剔除道路干扰居住房屋和道路的最大区别是房屋是近似矩形，可以设置Rectangular fit属性。
在Rule上右键选择Add Attibute按钮，新建一个规则，在右侧Type中选择Spatial，在Name中选择Rectangular fit。
设置值的范围是0.5~1，其他参数为默认值。
注：预览窗口默认是该属性的结果，点击All Classes，可预览几个属性共同作用的结果。
同样的方法设置Type：Spatial；Name：Area——Area>45Type：Spatial；Name：Elongation——Elongation<33）第三条属性描述，剔除水泥地干扰水泥地反射率比较高，居住房屋反射率较低，所以我们可以设置波段的象元值。
Type：spectral；Name：Spectral Mean，Band：GREEN——Spectral Mean (GREEN)<650。
点击All Classes，最终的rule规则和预览图如下图所示。
规则设置好后，点击Next；图2.6 房屋提取规则与结果预览注：单击按钮，打开"屋顶-rule.rul"，可以导入预先设置的规则。
第四步：输出结果特征提取结果输出，可以选择以下结果输出：矢量结果及属性、分类图像及分割后的图像、还有高级输出包括属性图像和置信度图像、辅助数据包括规则图像及统计输出，如下图所示。
图2.7 结果输出选择矢量文件及属性数据一块输出，规则图像及统计结果输出。
点击Finish按钮完成输出。
可以查看房屋信息提取的结果和矢量属性表。
图2.8 房屋信息提取的矢量结果和属性表3.基于样本的面向对象的分类该方法的工具为Toolbox /Feature Extraction/Example Based Feature Extraction Workflow。
数据位置："24-面向对象图像分类\ 2-基于样本"在Toolbox中找到该工具，双击打开流程化的面板，前面两步和第一种方法的前两步完全一致，选择数据和发现对象，在此不一一赘述。
第一步：选择数据（1）打开imperial_valley_subset.dat数据。
（2）启动Toolbox /Feature Extraction/Example Based Feature Extraction Workflow。
（3）在Input Raster选项中选择imperial_valley_subset.dat数据。
（4）切换到Custom Bands选项，勾选Normalized Difference，自动选择（在有中心波长的情况下）红色和近红外波段计算NDVI。
勾选Corlor Space 用于RGB计算HIS空间。
（5）单击Next。
图3.1 输入数据选择第二步：分割对象（1）在Layer Manager图层管理中，在图像图层中右键选择Change RGB Bands，以432显示影像。
（2）在图像分割参数设置面板中，设置Scale Level= 50，Merge Level = 80，其他默认，（3）单击Next。
第三步：基于样本的图像分类经过图像分割和合并之后，进入到监督分类的界面，如下图所示：图3.2 监督分类界面（1）选择样本a）对默认的一个类别，在右侧的Class Properties中，修改：∙类别名称（Class Name）：生长作物；∙类别颜色（Class Color）：绿色（0,255,0）b）在分割图上选择一些样本，为了方便样本的选择，可以在左侧图层管理中将Region Means图层关闭掉，显示原图，选择一定数量的样本，如果错选样本，可以在这个样本上点击左键删除。